CastFSR: A Fast--Slow--Reflect Agentic Reasoning Framework for Context-Aware Time Series Forecasting

Stel je voor dat je probeert te raden hoe het weer morgen zal zijn. Je zou gewoon naar de kalender kunnen kijken en zeggen: "Het is juli, dus het zal waarschijnlijk warm zijn," of je zou naar de thermometer van gisteren kunnen kijken en een rechte lijn naar voren kunnen trekken. Maar de echte wereld is rommelig. Soms komt er plotseling een koufront aan, of rolt er een enorme storm doorheen, wat alles verandert wat je eenvoudige gok voorspelde. Dit is de kern van tijdreeksvoorspelling (time series forecasting): de wetenschap van het voorspellen van toekomstige getallen op basis van patronen uit het verleden. Decennialang waren computers erg goed in het herkennen van rechte lijnen en herhalende cycli in gegevens, zoals de dagelijkse drukte van elektriciteit of de maandelijkse verkopen van een winkel. Maar ze hebben vaak moeite wanneer het verhaal verandert door externe factoren, zoals een feestdag, een nieuw beleid of een plotselinge verandering in de wind.

Onlangs zijn wetenschappers begonnen met het gebruik van Large Language Models (LLM's)—hetzelfde soort superintelligente AI dat ook verhalen kan schrijven of met je kan chatten—om deze voorspellingen te helpen. Het idee is dat als een AI taal kan begrijpen, de AI misschien ook het "verhaal" achter de cijfers kan begrijpen, zoals waarom een storm een voorspelling kan verruïneren. Er is echter een addertje onder het gras: deze AI-modellen zijn soms te praatgraag of te zelfverzekerd. Ze proberen misschien een getal te "hallucineren" in plaats van het harde rekenwerk te doen, of ze negeren de werkelijke gegevens ten gunste van een mooi klinkend verhaal. De grote vraag is: Hoe krijgen we een AI om zowel een creatieve verhalenverteller áls een strikte, op wiskunde gerichte boekhouder te zijn op hetzelfde moment?

Dit is waar een nieuw framework genaamd CastFSR om de hoek komt kijken. Zie dit als een driestaps vergadering van een team dat de toekomst voorspelt. In plaats van de AI simpelweg een getal te laten raden, dwingt CastFSR het om in drie verschillende modi te werken: Snel, Traag en Reflecterend.

Eerst is er de Snel Denkende Voorspelling (Fast-Thinking Forecasting). Stel je dit voor als de "snelle schets"-fase. De AI kijkt naar de recente geschiedenis van de gegevens (zoals de windsnelheid van de afgelopen paar dagen) en kiest snel een gespecialiseerd, lichtgewicht wiskundig instrument—zoals een standaard rekenmachine of een eenvoudig grafisch programma—om een basisvoorspelling te tekenen. Het probeert hier niet slim te zijn; het stelt alleen een solide, op gegevens gebaseerde "prior" of baseline vast. Het is alsof een chef een soep proeft en zegt: "Oké, dit is de basis smaak."

Vervolgens komt het Trage Deliberatieve Redeneren (Slow Deliberative Reasoning). Dit is de "diepe duik"-fase. Nu stopt de AI en denkt hij diep na. De AI kijkt naar het "verhaal" rondom de gegevens: Komt er een feestdag aan? Is het weerbericht veranderd? Is er een speciale gebeurtenis? De AI haalt deze extra context op en vraagt zich af: "Verandert dit verhaal de smaak van de soep?" Als de context wijst op een grote verandering (zoals een naderende storm), past de AI de eerste schets zorgvuldig aan. De AI gooit de schets niet weg; hij past hem alleen aan op basis van het nieuwe bewijs. Het is alsof de chef beseft: "O, het wordt een pittige avond, dus ik moet een snufje chili toevoegen," maar dan alleen daar waar het zinvol is.

Ten slotte is er de Reflectieve Evaluatie (Reflective Evaluation). Dit is de "kwaliteitscontrole"-fase. Voordat de AI zijn definitieve antwoord geeft, fungeert hij als een strikte redacteur. Hij controleert de voorspelling tegen de regels van de echte wereld. Bijvoorbeeld, als de voorspelling gaat over windenergie, controleert de AI: "Kan windenergie negatief zijn? Nee, dat is onmogelijk." Als de voorspelling een regel overtreedt of niet overeenkomt met het verhaal dat hij zojuist vertelde, corrigeert hij de fout. Het zorgt ervoor dat het uiteindelijke getal niet slechts een gok is, maar een feit dat in de echte wereld zin heeft.

Het onderzoek laat zien dat dit driestaps proces erg goed werkt. Wanneer de onderzoekers CastFSR testten op echte gegevens—zoals elektriciteitsverbruik, windenergie en aandelenkoersen—versloeg het veel andere topmethoden. Ze ontdekten dat door de "snelle wiskunde" te scheiden van het "trage denken" en een "reflectiestap" toe te voegen, de AI veel betrouwbaarder werd. Nog beter is dat ze lieten zien dat dit systeem direct kan werken met grote, dure AI-modellen, maar ze hebben ook een kleiner, goedkoper AI-model geleerd om hetzelfde te doen door het te trainen om deze drie stappen te volgen. Het resultaat is een voorspellingssysteem dat niet alleen getallen verwerkt; het begrijpt de context, respecteert de regels en weet wanneer het zijn werk moet dubbelchecken.